Cálculo de modelos de clasificación de gasolinas a partir de perfiles cromatográficos
Barra lateral del artículo
Contenido principal del artículo
Resumen
El control de calidad de las gasolinas exige la determinación de su composición por cromatografía gaseosa capilar de alta resolución; este análisis proporciona los contenidos totales de parafinas, isoparafinas, aromáticos, naftenos y olefinas (método PIANO). El objetivo de este trabajo fue desarrollar modelos de clasificación de gasolinas tomando como variables el perfil cromatográfico completo para extraer la información química relacionada con la covarianza de los diferentes compuestos presentes en el sistema. Se procesaron los cromatogramas de 70 muestras de gasolinas colectadas entre los años 2016 y 2019, en los que fue imprescindible minimizar el desplazamiento de los tiempos de retención y de la línea base que se origina en las diferentes mediciones. Se utilizó como técnica de reconocimiento de patrones el análisis jerárquico de clúster (HCA), el cual permitió definir por similaridad dos clases que agrupan en una categoría diferente las muestras del año 2019. A partir de los resultados de este análisis exploratorio se aplicó el método de clasificación de modelado suave independiente por analogía de clases (SIMCA), obteniéndose que la distancia entre las clases y sus proyecciones resultaron adecuadas, sin errores de clasificación. Estas técnicas constituyen herramientas idóneas para detectar adulteraciones y cambios en los procesos de producción.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons 4.0 Reconocimiento-NoComercial que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista. Bajo esta licencia el autor será libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y crear a partir del material
- El licenciador no puede revocar estas libertades mientras cumpla con los términos de la licencia
Bajo las siguientes condiciones:
- Reconocimiento — Debe reconocer adecuadamente la autoría, proporcionar un enlace a la licencia e indicar si se han realizado cambios. Puede hacerlo de cualquier manera razonable, pero no de una manera que sugiera que tiene el apoyo del licenciador o lo recibe por el uso que hace.
- NoComercial — No puede utilizar el material para una finalidad comercial.
- No hay restricciones adicionales — No puede aplicar términos legales o medidas tecnológicas que legalmente restrinjan realizar aquello que la licencia permite.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
La revista no se responsabiliza con las opiniones y conceptos emitidos en los trabajos, son de exclusiva responsabilidad de los autores. El Editor, con la asistencia del Comité de Editorial, se reserva el derecho de sugerir o solicitar modificaciones aconsejables o necesarias. La mención de marcas comerciales de equipos, instrumentos o materiales específicos obedece a propósitos de identificación, no existiendo ningún compromiso promocional con relación a los mismos, ni por los autores ni por el editor.
Citas
Agilent GC ChemStation Software, version B-04-02, 2010.
ASTM D6729-14. 2014. Standard Test Method for Determination of Individual Components in Spark Ignition Engine Fuels by 100 Metre Capillary High Resolution Gas Chromatography.
Bloemberg, T. G., Gerretzen, J., Lunshof, A. & Wehrens, R. 2013. Warping methods for spectroscopy and chromatographic signal alignment: A tutorial. Anal. Chim. Acta, 781:14-32.
Carvalho, F. & Dantas Filho, H. 2014. Studo da qualidade da gasolina tipo A e sua composiçao química empregando análize de componentes principais. Quim. Nova, 37(1): 33-38.
Cavado-Osorio, A., Comesaña, Y., Fernández, R. & Dago-Morales, A. 2014. Técnicas quimiométricas de reconocimiento de patrones para el control de calidad de turbocombustibles Jet A-1 a partir de sus propiedades físico químicas. Revista CENIC Ciencias Quím., 45: 18-26.
Christensen, J. H. & Tomasi, G. 2007. Practical aspects of chemometric for oil spill fingerprinting. J. Cromatogr. A, 1169: 1-22.
Custers, D., Krakowska, B., De Beer, J.O., Courselle, P., Daszykowski, M., Apers, S. & Deconinck, E. 2016. Chromatographic impurity fingerprinting of genuine and counterfeit Cialis® as a means to compare the discriminating ability of PDA and MS detection. Talanta, 146: 540-548.
Dadson, J., Pandam, S. & Asiedu, N. 2018. Modeling the characteristics and quantification of adulterants in gasoline using FTIR spectroscopy and chemometric calibrations. Cogent chemistry, 4: 1-22.
Daling, P. S., Faksness, L. G., Hansen, A. B. & Stout, S. A. 2002. Improved and standardized methodology for oil spill fingerprinting. Environ. Forensics, 3: 263-278.
Deconinck, E., Sacré, P. Y., Courselle, P. & De Beer, J.O. 2012. Chemometrics and chromatographic fingerprints to discriminate and classify counterfeit medicines containing PDE-5 inhibitors. Talanta, 100: 123-133.
Doble, P., Sandercock, M., Pasquier, E., Petocz, P., Roux, C. & Dawson, M. 2003. Classification of Premium and regular gasoline by gas chromatography/mass spectrometry, principal component analysis and artificial neural networks. Forensic Science International, 132: 26-39.
Engel, J., Gerretzen, J., Szymanska, E., Jansen, J., Downey, G., Blanchet, L. & Buydens Lutgarde, M.C. 2013. Breaking with trends in pre-processing? Trends Anal. Chem., 50:96-106.
Faksness, L. G., Daling, P. S. & Hansen, A. B. 2002. Round Robin study- Oil spill identification. Environ. Forensic, 3:279-291.
Flumignan, D.L., Tininis, A., Ferreira, F. & De Oliveira, J.E. 2007. Screening Brazilian C gasoline quality: Application of the SIMCA chemometric method to gas chromatographic data. Anal. Chim. Acta, 595: 128-135.
Fernández, R., Dago-Morales, A., Oropesa, R., Comesaña, Y. & Romero, A. 2019. Predicción de propiedades fisicoquímicas de gasolinas mediante cromatografía gaseosa y métodos de regresión multivariados. Avances Cien. Ing., 10(3): 21-32.
Gan, F., Ruan, G. & Mo, J. 2006. Baseline correction by improved iterative polynomial fitting with automatic threshold. Chemom. Intell. Lab. Syst., 82(1): 59-65.
Ismail, A., Toriman, M. E., Juahir, H., Kassim, A. M., Zain, S. M. & Ahmad, W. K. W. 2016. Chemometric techniques in oil classification from oil spill fingerprinting. Mar. Pollut. Bull., 111: 339-46.
Juahir, H., Ismail, A M., Mohamed, S. B., Toriman, M. E., Kassim, A. M. & Zain, S. M. 2017. Improving oil classification quality from oil spill fingerprinting beyond six-sigma approach. Mar., Pollut. Bull., 120:322-32.
Kai-Tai, F., Yi-Zeng, L., Xiao-Lin, Y., Chan, K. & Guang-Hua, L. 2006. Critical value determination on similarity of fingerprints. Chemom. Intell. Lab. Syst., 82(1–2): 236-240.
Kumara, K. 2018. Optimizing the process of reference selection for correlation optimised warping (COW) and interval correlation shifting (icoshift) analysis: automating the chromatographic alignment procedure. Analytical Methods, 10(2):190-203.
Malmquist, G. & Danielsson, R. 1994. Alignment of chromatographic profiles for principal component analysis - A prerequisite for fingerprinting methods. J. Chromatogr., A, 687: 71-88.
Martínez-Calvo, A., Rodríguez, D. & Talavera, I. 2011. Clasificación de marihuana en nacional y extranjera empleando cromatografía gaseosa y técnicas de reconocimiento de patrones. Rev. Cub. Quím, 23 (2): 88-96.
MATLAB. 2008. The Language of Technical Computing. The Math Works, version 7.7.0.471.
Peiyan, S., Kaiwen, B., Haoshuai, L., Fujuan, L., Xinping, W., Lixin, C., Guangmei, L., Qing, Z., Hongxia, T. & Mutai, B. 2018. An efficient classification method for fuel and crude oil types based on m/z 256 mass chromatography by COW-PCA-LDA. Fuel, 222: 416-423.
Piruette. Infometrix, Inc. 2003. Versión 3.11.
Sinkov, N. A., Johnston, B. M., Sandercock, P. & Harynuk, J. 2011. Automated optimization and construction of chemometric models based on highly variable raw chromatographic data. Anal. Chim. Acta, 697(1–2): 8-15.
Skov, T., ven den Berg, F., Tomasi, G. & Bro, R. 2006. Automated alignment of chromatographic data. J. Chemometrics, 20: 484-497.
Skrobot, V. L., Castro, E. V. R., Pereira, R. C. C., Pasa, V. M. D. & Fortes, I. C. P. 2007. Use of principal component analyst (PCA) and linear discriminant analysis (LDA) in gas chromatographic (GC) data in the investigation of gasoline adulteration. Energy Fuels, 21: 3394-400.
Szymańska, E. 2018. Modern data science for analytical chemical data – A comprehensive review. Anal. Chim. Acta, 1028:1-10.
Thekkuddan, D. F. & Rutan, S. C. 2009. Denoising and signal-to-noise ratio enhancement: classical filtering (pp.9-24). In Comprehensive Chemometrics, Brown S., Taulers R., Walczak B. (Ed). Elsevier, Oxford.
Trung Nghia, V. & Laukens, K. 2013. Getting your peaks in line: A review of alignment methods for NMR spectral data. Metabolites, 3:259-276.
Trygg, J., Gabrielsson, J. & Lundstedt, T. 2009. Background Estimation, Denoising and Preprocessing. In Comprehensive Chemometrics, Brown, S., Tauler, R., Walczak, B. (Ed), Elsevier, Oxford, 2: 1-8.
Wiedemann, L. S. M., d´Avila, L.A. & Azevedo, D.A. 2005. Adulteration detection of Brazilian gasoline samples by statistical analysis. Fuel, 84:467-473.